qq_41666768的博客

结合《Python网络数据采集》，学习爬虫的第一天

一.关于层叠样式表（CSS） 层叠样式表(英文全称：Cascading Style Sheets)是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。 CSS可以让HTML元素呈现出差异化，使具有完全相同修饰的元素呈现出不同的样式。 二.通过属性查找标...

一. 正则表达式的定义 正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。 二.正则表达式的规则: 符号 含义 * 匹配前面的字符，子表达式或者括号里的字符0次或者多次 + 匹配前面的字符，子表达式或者括号里的字符至少一次 [] 匹配任意一个字符...

一.遍历单个域名 像之前一样，我们还是利用维基百科来进行数据采集的学习 通过对维基百科上python词条的HTML源代码的观察，可以发现页面有关的链接都在标签名为a的href属性之中： 如图，就是指向消歧义的链接。而这样的链接又分为内链和外链： 内链：同一网站不同内容页面之间的相互链接。内链就是网站域名下内容页面之间的链接，内链优化的好，网站的结构就会好，也就会有利于网站的优化。 外链：从别的...